Universidad Bicentenaria de Aragua

Vicerrectorado Acadmico
Facultad de Ingeniera
Escuela de Sistemas

FUNCIONAMIENTO DE LOS ALGORITMOS

GENTICOS

Facilitador:

Autor:

Ing. Silvia Arana

Gomes L., Antonio J.

Ctedra: Algoritmos Genticos

C.I: 23.919.225

San Joaqun de Turmero Edo. Aragua

INTRODUCCION
Principalmente los algoritmos genticos son mtodos adaptativos,
generalmente usados en problemas de bsqueda y optimizacin de
parmetros, basados en la reproduccin sexual y en el principio
supervivencia del ms apto.
Mas formalmente, y siguiendo la denticin dada por Goldberg.
Los Algoritmos Genticos son algoritmos de bsqueda basados en la
mecnica de seleccin natural y de la gentica natural. Combinan la
supervivencia del ms apto entre estructuras de secuencias con un
intercambio de informacin estructurado, aun que aleatorizado, para
constituir a un algoritmo de bsqueda que tenga algo de las genialidades de
las bsquedas humanas [Goldberg, 1989].
Para alcanzar la solucin a un problema se parte de un conjunto inicial
de individuos, llamado poblacin, generado de manera aleatoria. Cada uno
de estos individuos representa una posible solucin al problema.
Estos individuos evolucionaran tomando como base los esquemas
propuestos por Darwin [Darwin, 1859] sobre la seleccin natural, y se
adaptaran en mayor medida tras el paso de cada generacin a la solucin
requerida.
La capacidad del ser humano para predecir el comportamiento de su
entorno, se ha ido incrementando con el paso del tiempo. De igual modo, ha
comprendido que, si bien era capaz de controlar muchos aspectos de su
vida, y su interaccin con lo que le rodeaba, no lo era para otros tantos.

La inteligencia artificial es responsable de muchos de esos logros. Los

pioneros de esta ciencia estaban tan interesados en la electrnica, como en
la biologa, y por eso sus aplicaciones iban desde calcular trayectorias de
misiles, a tratar de modelizar el cerebro, de imitar el proceso de aprendizaje
humano, y de simular la evolucin biolgica.

ORIGENES
Si algo funciona bien, por qu no imitarlo?. La respuesta a esta
pregunta nos lleva directamente a los orgenes de la computacin evolutiva.
Durante millones de aos las diferentes especies se han adaptado para
poder sobrevivir en un medio cambiante. De la misma manera se podra
tener una poblacin de potenciales soluciones a un problema de las que se
iran seleccionando las mejo-res hasta que se adaptasen perfectamente al
medio, en este caso el problema a resolver. En trminos muy generales se
podra definir la computacin evolutiva como una familia de modelos
computacionales inspirados en la evolucin ms formalmente el termino de
computacin evolutiva se refiere al estudio de los fundamentos y
aplicaciones de ciertas tcnicas heursticas basadas en los principios de la
evolucin natural [Tomassini, 1995].

El desarrollo de los Algoritmos Genticos se debe en gran medida a

John Holland, investigador de la Universidad de Michigan. A nales de la
dcada de los 60 desarrollo una tcnica que imitaba en su funcionamiento a
la seleccin natural. Aunque originalmente esta tcnica recibi el nombre de
planes reproductivos, a raz de la publicacin en 1975 de su libro Adaptation
in Natural and Articial Systems [Holland, 1975] se conoce principalmente
con el nombre de Algoritmos Genticos.

A grandes rasgos un Algoritmo Gentico consiste en una poblacin de

soluciones codificadas de forma similar a cromosomas.
Cada uno de estos cromosomas tendra asociado un ajuste, valor de bondad,
ajuste o tness, que cuantifica su validez como solucin al problema. En
funcin de este valor se le daran ms o menos oportunidades de
reproduccin. Adems, con cierta probabilidad se realizaran mutaciones de
estos cromosomas.

ALGORITMOS GENETICOS
Los objetivos que perseguan John Holland y sus colegas de la
Universidad de Michigan cuando concibieron los algoritmos genticos, eran
dos: (1) abstraer y explicar rigurosamente el proceso adaptativo de los
sistemas naturales, y (2) disear sistemas artificiales que retuvieran los
mecanismos ms importantes de los sistemas naturales.
En este sentido, podemos decir que los algoritmos genticos son
Algoritmos de bsqueda basados en los mecanismos de seleccin natural y
gentica natural. [Piedad Tolmos Rodrguez-Piero, 2006]
Combinan la supervivencia de los ms compatibles entre las
estructuras de cadenas, con una estructura de informacin ya aleatorizada,
intercambiada para construir un algoritmo de bsqueda con algunas de las
capacidades de innovacin de la bsqueda humana. Bsicamente, el
Algoritmo Gentico funciona como sigue: en cada generacin, se crea un
conjunto nuevo de criaturas artificiales (cadenas) utilizando bits y partes
ms adecuadas del progenitor. Esto involucra un proceso aleatorio que no
es, en absoluto, simple.

La novedad que introducen los Algoritmos Genticos es que explotan

eficientemente la informacin histrica para especular sobre nuevos puntos
de bsqueda, esperando un funcionamiento mejorado.

OPERADORES GENETICOS
Para el paso de una generacin a la siguiente se aplican una serie de
operadores genticos. Los ms empleados son los operadores de seleccin,
cruce, copia y mutacin. En el caso de no trabajar con una poblacin
intermedia temporal tambin cobran relevancia los algoritmos de reemplazo.
A continuacin se vern en mayor detalle.
Seleccin
Los algoritmos de seleccin sern los encargados de escoger
que individuos van a disponer de oportunidades de reproducirse y cules no.
Puesto que se trata de imitar lo que ocurre en la naturaleza, se ha de
otorgar un mayor nmero de oportunidades de reproduccin a los individuos
ms aptos. Por lo tanto la seleccin de un individuo estar relacionada con
su valor de ajuste. No se debe sin embargo eliminar por completo las
opciones de reproduccin de los individuos menos aptos, pues en pocas
generaciones la poblacin se volveria homognea.
Una opcin bastante comn consiste en seleccionar el primero
de los individuos participantes en el cruce mediante alguno de los
mtodos expuestos a continuacin y el segundo de manera aleatoria.

 Seleccin por ruleta

A cada uno de los individuos de la poblacin se le asigna una
parte proporcional a su ajuste de una ruleta, de tal forma que la suma
de todos los porcentajes sea la unidad. Los mejores individuos
recibirn una porcin de la ruleta mayor que la recibida por los peores.
Es un mtodo muy sencillo, pero ineciente a medida que
aumenta el tamao de la poblacin (su complejidad es O(n2)).
Presenta adems el inconveniente de que el peor individuo puede ser
seleccionado ms de una vez.
En mucha bibliografa se suele referenciar a este mtodo
con el nombre de Seleccin de Montecarlo.
Seleccin por torneo
La idea principal de este mtodo consiste en realizar la seleccin
en base a comparaciones directas entre individuos. Existen dos
versiones de seleccin mediante torneo:

Deterministica
Probabilstica
En la versin deterministica se selecciona al azar un numero p

de individuos (generalmente se escoge p = 2). De entre los individuos

seleccionados se selecciona el ms apto para pasarlo a la siguiente
generacin. La versin probabilstica nicamente se diferencia en el
paso de seleccin del ganador del torneo. En vez de escoger siempre
el mejor se genera un numero aleatorio del intervalo [0..1], si es mayor
que un parmetro p (jado para todo el proceso evolutivo) se escoge
el individuo ms alto y en caso contrario el menos apto. Generalmente
p toma valores en el rango 0,5 <p 1.
Cruce

Una vez seleccionados los individuos, estos son recombinados para

producir la descendencia que se insertara en la siguiente generacin.
Tal y como se ha indicado anteriormente el cruce es una estrategia de
reproduccin sexual.
Su importancia para la transicin entre generaciones es elevada
puesto que las tasas de cruce con las que se suele trabajar rondan el 90 %.
Los diferentes mtodos de cruce podrn operar de dos formas
diferentes. Si se opta por una estrategia destructiva los descendientes
se insertaran en la poblacin temporal aunque sus padres tengan mejor
ajuste (trabajando con una nica poblacin esta comparacin se realizara
con los individuos a reemplazar). Por el contrario utilizando una estrategia no
destructiva la descendencia pasara a la siguiente generacin nicamente si
supera la bondad del ajuste de los padres (o de los individuos a reemplazar).
La idea principal del cruce se basa en que, si se toman dos individuos
correctamente adaptados al medio y se obtiene una descendencia que
comparta genes de ambos, existe la posibilidad de que los genes heredados
sean precisamente los causantes de la bondad de los padres.
Existen multitud de algoritmos de cruce. Sin embargo los ms
empleados son los que se detallaran a continuacin:
Cruce de 1 punto
Cruce de 2 puntos
Cruce uniforme

Cruce de 1 punto

Es la ms sencilla de las tcnicas de cruce. Una vez

seleccionados dos individuos se cortan sus cromosomas por un
punto

seleccionado

aleatoriamente

para

generar

dos

segmentos diferenciados en cada uno de ellos: la cabeza y la

cola. Se intercambian las colas entre los dos individuos para
generar los nuevos descendientes. De esta manera ambos
descendientes heredan informacin gentica de los padres, tal
y como puede verse en la gura.

Cruce
de
2 puntos
Se trata de una generalizacin del cruce de 1 punto. En
vez de cortar por un nico punto los cromosomas de los padres
como en el caso anterior se realizan dos cortes. Deber
tenerse en cuenta que ninguno de estos puntos de corte
coincida con el extremo de los cromosomas para garantizar que
se originen tres segmentos. Para generar la descendencia se
escoge el segmento central de uno de los padres y los
segmentos laterales del otro padre.

Cruce Uniforme
El cruce uniforme es una tcnica completamente
diferente de las vistas hasta el momento. Cada gen de la

descendencia tiene las mismas probabilidades de pertenecer a

uno u otro padre.
Aunque se puede implementar de muy diversas formas,
la tcnica implica la generacin de una mscara de cruce con
valores binarios. Si en una de las posiciones de la mscara hay
un 1, el gen situado en esa posicin en uno de los
descendientes se copia del primer padre. Si por el contrario hay
un 0 el gen se copia del segundo padre. Para producir el
segundo descendiente se intercambian los papeles de los
padres, o bien se intercambia la interpretacin de los unos y los
ceros de la mscara de cruce.

ALGORITMOS DE REEMPLAZO
Cuando en vez de trabajar con una poblacin temporal se hace con
una nica poblacin, sobre la que se realizan las selecciones e inserciones,
deber tenerse en cuenta que para insertar un nuevo individuo deber de
eliminarse previamente otro de la poblacin.

Existen diferentes mtodos de reemplazo:

Aleatorio: el nuevo individuo se inserta en un lugar cualquiera de la

poblacin.
Reemplazo

descendencia liberando el espacio ocupado por los padres.

Reemplazo de similares: una vez obtenido el ajuste de la

de

padres:

se

obtiene

espacio

para

la

nueva

descendencia se selecciona un grupo de individuos (entre seis y diez)

de la poblacin con un ajuste similar. Se reemplazan aleatoriamente

los que sean necesarios.

Reemplazo de los peores: de entre un porcentaje de los peores
individuos de la poblacin se seleccionan aleatoriamente los
necesarios para dejar sitio a la descendencia.

CONCLUSION

Se dice que la evolucin cultural humana ha reemplazado a la

biolgica que nosotros, como especie, hemos llegado a un punto en el que
somos capaces de controlar conscientemente nuestra sociedad, nuestro
entorno y hasta nuestros genes al nivel suficiente para hacer que el proceso
evolutivo sea irrelevante. Se dice que los caprichos culturales de nuestra
cambiante sociedad son los que determinan la aptitud hoy en da, en lugar de
la marcha enormemente lenta, en comparacin, de la mutacin gentica y la
seleccin natural. En cierto sentido, esto puede ser perfectamente cierto.
Pero en otro sentido, nada podra estar ms lejos de la verdad. La
evolucin es un proceso de resolucin de problemas cuyo poder slo
comenzamos a comprender y explotar; a pesar de esto, ya est funcionando
por todas partes, moldeando nuestra tecnologa y mejorando nuestras vidas,
y, en el futuro, estos usos no harn sino multiplicarse. Sin un conocimiento
detallado del proceso evolutivo no habran sido posibles ninguno de los
incontables avances que le debemos a los algoritmos genticos. Aqu hay
una leccin que deben aprender los que niegan el poder de la evolucin y los
que niegan que el conocimiento de ella tenga beneficios prcticos.
Por increble que pueda parecer, la evolucin funciona. Como lo
expresa el poeta [Lord Byron]: Es extrao pero cierto; porque la verdad
siempre es extraa, ms extraa que la ficcin.

La microevolucin y la macroevolucin son trminos que tienen

significado para los bilogos; se definen, respectivamente, como evolucin
por debajo del nivel de especies y evolucin al nivel de especies o por
encima.
Pero la diferencia crucial entre el modo en el que los creacionistas
utilizan estos trminos y el modo en el que lo hacen los cientficos es que los
cientficos reconocen que los dos son fundamentalmente el mismo proceso
con los mismos mecanismos, tan slo operando a diferentes escalas. Sin
embargo, los creacionistas estn obligados a postular algn tipo de brecha
infranqueable que los separa, para poder negar que los procesos de cambio
y adaptacin que vemos en la actualidad puedan extrapolarse para producir
toda la diversidad que vemos en el mundo de los seres vivos.

REFERENCIAS

A survey of genetic algorithms.

Tomassini, 1995] Tomassini, M. (1995).
Fecha de Consulta 30/05/2015.

Algoritmos genticos y computacin evolutiva

[Adam Marczyk, 2004]
Libro en Linea. Fecha de Consulta 29/05/2015
Disponible en: http://the-geek.org/docs/algen/

Algoritmos genticos
[Juan Julin Merelo Guervs] Pagina Web en Linea.
Fecha de Consulta: 30/05/2015
Disponible en: http://geneura.ugr.es/~jmerelo/ie/ags.htm